Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/22991
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2019_GustavoLopesDeBrito_tcc.pdf28,63 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorPedrosa, Glauco Vitor-
dc.contributor.authorBrito, Gustavo Lopes de-
dc.identifier.citationBRITO, Gustavo Lopes de. Aprimoramento de sistemas de busca por imagens usando modelos de realimentação de relevâncias. 2019. 57 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software)—Universidade de Brasília, Brasília, 2019.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama (FGA), Engenharia de Software, 2019.pt_BR
dc.description.abstractA recuperação de imagens refere-se à tarefa de buscar por imagens similares em uma base de dados a partir de outra imagem fornecida como consulta. Tal tarefa é realizada por sistemas denominados CBIR (do inglês Content-Based Image Retrieval). Tais sistemas de recuperação geram um ranking com as imagens mais similares, a partir de uma imagemconsulta, usando algum critério de similaridade baseado nas características intrínsecas relacionadas ao conteúdo visual da imagem, tais como: cor, forma e/ou textura. Porém, o uso de características extraídas automaticamente da imagem pode não ser o suficiente para associar o conteúdo de uma imagem ao seu significado, o que se reflete nos resultados de uma busca, afetando a satisfação do usuário do sistema. Este trabalho busca mitigar esse problema por meio do uso de modelos de Realimentação de Relevância, motivado pelos bons resultados relatados na literatura referentes ao uso de tais técnicas. A proposta desses modelos é utilizar a interação com o usuário a fim de aprimorar os resultados da busca. A ideia central do modelo é que o usuário forneça informações sobre quais imagens ele considera serem relevantes e/ou não-relevantes a partir de uma consulta inicial e, então, utilizar essa informação para aprimorar o ranking gerado pelo sistema. Este trabalho apresenta alguns conceitos e trabalhos relacionados com o tema em questão, bem como alguns testes experimentais realizados com o objetivo de comparar diferentes técnicas propostas na literatura e um método proposto que combina múltiplos centros de consulta e agregação de rankings para realizar a realimentação de relevância, esta possui desempenho melhor que a Movimentação de Objeto Consulta (QPM, do inglês Query Point Movement) e desempenho similar a técnica Relevance Feedback Multiple Projection em relação à precisão das consultas.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRecuperação da informaçãopt_BR
dc.subject.keywordVisão por computadorpt_BR
dc.subject.keywordInteligência artificialpt_BR
dc.subject.keywordProcessamento de imagens - técnicas digitaispt_BR
dc.titleAprimoramento de sistemas de busca por imagens usando modelos de realimentação de relevânciaspt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2020-01-22T14:42:48Z-
dc.date.available2020-01-22T14:42:48Z-
dc.date.submitted2019-07-03-
dc.identifier.urihttp://bdm.unb.br/handle/10483/22991-
dc.language.isoPortuguêspt_BR
dc.description.abstract1Image retrieval refers to the task of searching for similar images in a database from the image sent in a query. Such task is performed by systems called CBIR (Content- Based Image Retrieval). Such retrieval systems generate a ranking with the most similar images, by using a query image, they make use of some criterion of similarity based on the intrinsic characteristics related to the visual content of the image, such as: color, shape and/or texture. However, the use of automatically extracted features is not yet effective enough to associate the content of an image with its meaning, which is reflected in the results of a search, affecting the user satisfaction of the system. The current project seeks to mitigate this problem through the use of Relevance Feedback models, motivated by good results reported in the literature that report the use of these techniques. One of the proposals of these models is to make use of user interaction to improve the results of a search. The idea is that an user should inform the images that they consider relevant and/or non-relevant based on an initial query, and then use this information to improve the ranking generated by the system. This work presents some concepts and works related to the subject in question, as well as some experimental tests performed with the objective of comparing different techniques proposed in the literature and a new method proposed to perform relevance feedback with better performance than Query Point movement, and similar performance to Relevance Feedback Multiple Projection.pt_BR
Aparece na Coleção:Engenharia de Software



Este item está licenciado na Licença Creative Commons Creative Commons